アノテーションのないプライベートな3D医用画像のセグメンテーションのためのドメイン間分布調整

[fulfulggg]

タイトル: アノテーションのないプライベートな3D医用画像のセグメンテーションのためのドメイン間分布調整

リンク: https://arxiv.org/abs/2410.09210

概要:

3D医用画像のセグメンテーション作業における手動アノテーションは、退屈で時間のかかる作業です。さらに、データプライバシーの問題は、医療分野におけるデータアノテーションの実施に対するクラウドソーシングの適用可能性を制限しています。その結果、医用画像セグメンテーションのための深層ニューラルネットワークのトレーニングは、困難なものとなっています。本研究では、この問題に対処するために、新しいソースフリーの教師なしドメイン適応（UDA）手法を提案します。私たちのアイデアは、ベースモデルによって関連するソースドメインの内部的に学習された分布を推定し、自己学習を通じてモデルの改良を強化するために使用される疑似ラベルを生成することに基づいています。私たちのアプローチが、実際の3D医用画像データセットにおいて最先端の性能をもたらすことを示します。

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• domain-generalization
• medical-imaging
• semi-supervised-learning

[fulfulggg]

論文要約

論文要約:

• 目的: 3D医用画像のセグメンテーション（画像中の臓器や病変などの領域を自動的に識別する技術）において、アノテーション（手作業での領域の指定）なしで、かつ、データプライバシーを守りながら、高精度なセグメンテーションを実現する。

• 課題:

  • 3D医用画像のセグメンテーションには通常、大量のラベル付きデータが必要となるが、手動でのアノテーションは時間と費用がかかる。
  • 医療データのプライバシー concerns から、外部にデータ を提供してアノテーションを取得することが難しい。

• 提案手法:

  • ソースフリーの教師なしドメイン適応 (UDA) 手法を提案。
  • ラベル付きデータを持つソースドメイン（医療機関A）と、ラベルなしデータを持つターゲットドメイン（医療機関B）で構成。
  • ソースドメインのデータで学習したモデルを基に、ターゲットドメインのデータの疑似ラベルを生成し、自己学習によってモデルを段階的に改善していく。

• 成果:

  • 提案手法は、実際の3D医用画像データセットにおいて、従来の教師なしドメイン適応手法よりも高いセグメンテーション精度を達成。
  • アノテーション作業やデータ共有によるプライバシーリスクなしに、高精度な3D医用画像セグメンテーションを実現できる可能性を示唆。